该研究提出了一种基于 ResNet 的面部表示方法,并利用 Conditional Pairwise Clustering(ConPaC),将面部图像聚类,得出的实验结果表明 ConPaC 的性能优异,可以自动选择聚类数量,并保留面部图像之间的相似度。还提出了 k-NN 变体,适用于大型数据集。
Jun, 2017
本研究论文探索了面部聚类任务在从大规模数据中学习层次结构语义信息方面的潜力,并通过提出标签分类和监督对比聚类的联合优化任务的两种方式将聚类知识引入传统面部识别任务。通过将簇引导的角度边界扩展到 ArcFace 来根据面部聚类的难度级别调整类内特征分布,并提出了一种监督对比聚类方法来将特征拉向簇中心,并通过簇对准过程将簇中心与可学习的类中心在分类器中对齐进行联合训练。最后,对流行的面部基准进行了广泛的定性和定量实验,证明了我们范式的有效性以及在现有的面部识别方法上的优越性。
Dec, 2023
本文介绍了一种新的人脸聚类方法,将人脸聚类任务转化为成对关系分类任务,避免了在大规模图上训练所需的高内存消耗,并借助上下文信息以增强分类器性能。同时,引入排名加权密度来指导选择输入分类器的对。实验结果表明,该方法速度最快,内存消耗最小,并且在几个公共聚类基准上达到了最先进的性能。
May, 2022
本文提出了一种高效的邻域感知子图调整方法,可以显著减少噪声并提高子图召回率,从而驱动远程节点收敛到同一中心。该方法包括提取嵌入向量和构建节点对封闭子图两个部分,结合预测链路概率来产生新的子图用于图卷积网络或其他聚类方法的聚合。实验结果表明,该方法在三个基准数据集上优于现有解决方案。
Apr, 2023
该研究提出了一种基于中心坐标学习的人脸特征和分类向量联合学习方法,可以有效地提高人脸特征的判别力,并在六个面部基准测试中表现出极高的效果和广泛性,只使用大约 10K 个主题的 CASIA Webface 数据集进行训练。
Jan, 2018
研究提出一种基于极值理论的新颖身份分离方法,作为一种超分布检测算法,大大减少了重叠身份标签噪声所导致的问题,通过对余弦损失的调节,给出了聚类不确定性的估计,实验结果表明,该方法在受控和实际环境下比监督基线方法都有更好的性能。
Jul, 2020
本篇论文提出了一种高效的 Rank-Order 聚类算法,可将超过 1.23 亿张人脸图像聚类成 1000 多万个类别,并在相应的内部和外部质量度量下分析其结果,以及对视频帧进行了初步的聚类研究。
Apr, 2016
使用基于深度学习和三元组概率约束的低维高效嵌入的方法能够解决无约束人脸验证的问题,同时具有较好的性能和广泛的鲁棒性。
本文提出了一种基于图卷积网络的可学习的人脸聚类框架,通过用两个图卷积网络分别估计节点置信度和边的连通性,实现了高效准确地人脸聚类。通过在两个大规模数据集上的实验,证明了该方法显著提高了聚类准确性,并在不损失性能的情况下大幅提升了识别模型的计算效率。
Apr, 2020
本文提出了一种名为 CCL 的基于聚类的对比学习方法,利用聚类得到的标签和视频约束来学习具有区分性的人脸特征,展示了该方法在视频人脸聚类的表征学习任务上的显著成果。